DeepSeek-V4.1-Flash הוא המודל הקטן ביותר במשפחת הארכיטקטורה החדשה של DeepSeek, ששוחרר ב-10 בספטמבר 2026, עם הבנה חזותית מולטימודלית מקורית — היורש היצרני גם של V4 Flash וגם של ניסוי ה-V4 Flash Vision. הארכיטקטורה החדשה מכוונת לתקרת יכולת גבוהה יותר, אינפרנס מהיר יותר ותפוקה גבוהה יותר, ו-DeepSeek מדווחת ש-V4.1 Flash עולה באופן מקיף על V4 Pro בביצועים, בעלות, במהירות ובזמן המשימה הכולל. הוא מקבל טקסט ותמונות עם פלט טקסט, מציע חלון הקשר של 1M אסימונים עם עד 384K אסימוני פלט, ותומך במצבי חשיבה (ברירת מחדל, עם מאמץ ניתן לבחירה: נמוך / גבוה / מקסימלי) ובמצבים ללא חשיבה בממשקי Chat Completions, Responses ו-APIs תואמי-Anthropic, יחד עם פלט JSON, קריאות לכלים והשלמת קידומת צ'אט; FIM עובד במצב ללא חשיבה בלבד. משקלי המודל פתוחים ב-Hugging Face (deepseek-ai/DeepSeek-V4.1-Flash). מדדים רשמיים בעת השחרור: 90.6 ב-Terminal-Bench 2.1, 74.2 ב-DeepSWE v1.1, 65.4 ב-NL2Repo-Bench, 90.9 ב-GPQA Diamond, 63.9 ב-HLE עם כלים, ותוצאות סוכן ראייה מקורית חזקות (89.6 BabyVision, 78.9 Chartography עם כלים). המחיר הופחת במקביל לשחרור: $0.15/M עבור קלט (החמצת מטמון), $0.60/M עבור פלט ו-$0.003/M על פגיעות מטמון בתעריפי שפל, עם הכפלה בשעות השיא בימי חול (01:00-04:00 ו-06:00-10:00 UTC); כל השעות האחרות כולל סופי שבוע הן שעות שפל.
DeepSeek V4.1 Flash הוא מודל של DeepSeek הזמין דרך OrcaRouter, שער ה-API התואם ל-OpenAI. הוא מקבל קלט טקסט ותמונה, כולל חלון הקשר של 1,048,576 טוקנים, ויכול לייצר עד 384,000 טוקנים בתגובה אחת.…
DeepSeek V4.1 Flash מקבל טקסט ותמונות כקלט ומחזיר טקסט. בפועל זה מכסה שלושה דפוסים רחבים. הראשון הוא הבנת מסמכים: הזנת צילומי מסך של טבלאות, עמודים סרוקים או תרשימים לצד הוראות כתובות. השני הוא עיגון חזותי, שבו צילום מסך של ממשק, תרשים או מצב שגיאה מנותח בהקשר של שיחה ארוכה או מפרט. השלישי הוא היסק רב-מודאלי, שבו קורפוס טקסטואלי ארוך משויך למספר תמונות שמעגנות את השאלה. הפלט הוא טקסט בלבד, כך שהמודל מתאר, מחלץ או מסביר את מה שהוא רואה במקום ליצור תמונות. אסימוני תמונה נספרים כקלט ומחויבים בתעריף של $0.15 לכל 1M אסימוני קלט, אותו תעריף כמו קלט טקסט ב-OrcaRouter. עבור עומסי עבודה שבהם טקסט לבדו מספיק, ייתכן שמודל טקסט בלבד יהיה זול יותר, אך V4.1 Flash נמנע מהרצת צינור ראייה נפרד עבור משימות חזותיות קלות.
התאמות חזקות הן ניתוח עם חלון הקשר ארוך ותשובה ארוכה, הבנת קוד במאגרים גדולים, סקירת מסמכים מולטימודלית, ולולאות סוכניות שצריכות לשאת כמות גדולה של מצב. מכיוון שהפלט המקסימלי מגיע ל-384,000 טוקנים, המודל יכול להחזיר דוחות מלאים, הערות מיגרציה, או קוד מורחב ולא סיכומים קצרים. שימושים הגיוניים נוספים כוללים צינורות תמלול להערות מובנות, השוואת חוזים, ותהליכי תמיכה שבהם ההיסטוריה המלאה נשמרת בהקשר. הציון 90.9 ב-GPQA Diamond מרמז על חוזקה בשאלות מדעיות ברמת תואר שני, מה שמצביע על מענה לשאלות טכניות ומחקריות ולא על פרוזה בלבד. הוא פחות מתאים באופן מובהק לתעבורה בתדירות גבוהה של בקשות זעירות, מכיוון שקריאת סיווג קצרה אינה זקוקה לחלון של מיליון טוקנים, ולמשימות הדורשות יצירת תמונות, מכיוון שהפלט הוא טקסט בלבד.
מודלים רבים מגבילים פלט לכמה אלפי טוקנים, מה שמאלץ תפירה רב-תורית עבור כל דבר ארוך. תקרה של 384,000 טוקנים מאפשרת ל-DeepSeek V4.1 Flash לפלוט ארטיפקט שלם במעבר אחד: מפרט טכני מלא, תוכנית מיגרציה ארוכה, diff מוער מורחב, או שכתוב תמלול מלא. יצירה במעבר יחיד בדרך כלל שומרת על עקביות פנימית טוב יותר מאשר הרכבת תשובה מהרבה קריאות קצרות, כי המודל אף פעם לא מאבד את החוט בין התורות. הפשרה היא עלות. הפלט מחויב ב-$0.60 לכל 1M טוקני פלט ב-OrcaRouter, פי ארבעה מתעריף הקלט, לכן יצירה ארוכה מאוד היא החלק היקר של בקשה. השתמש בתקרה כאשר לתשובה ארוכה קוהרנטית יש ערך אמיתי, הגדר max_tokens כך שיתאים למשימה, והימנע מלתת למודל לקשקש כאשר תשובה בת שתי פסקאות תספיק.
הקשר גדול ותקרת פלט גבוהה הם יכולות שעבורן אתה משלם. אם משימה זקוקה רק לפרומפט קצר ותשובה קצרה, כגון סיווג כוונות, חילוץ ישויות, ניתוב או שכתוב פשוט, החלון הנוסף לא מוסיף דבר, ומודל קטן יותר במקום אחר ב-OrcaRouter יעלה בדרך כלל פחות לכל קריאה. הדבר נכון גם למשימות אצווה בנפח גבוה שבהן הקלטים כבר מחולקים למקטעים מלכתחילה. בחר ב-DeepSeek V4.1 Flash כאשר המשימה באמת זקוקה לחלון: מסמכים שלמים, הקשר קוד ארוך, סקירת ריבוי תמונות, או תשובה ארוכה במעבר אחד. כלל שימושי הוא להעריך תחילה את גודל הפרומפט והפלט הצפוי. אם שניהם צנועים, השווה את עלות האסימונים הכוללת מול אפשרות קטנה יותר. אם הפרומפט מגיע למאות אלפי אסימונים, החלופה היא בדרך כלל צינור אחזור, אשר מביא עמו עלות הנדסית משלו ואובדן מידע.
GPQA Diamond הוא סט של שאלות מדעיות ברמת תואר שני, שנכתבו כדי לעמוד בפני איתור פשוט, כך שהציונים משקפים הסקה על חומר טכני קשה ולא היזכרות בעובדות נפוצות. DeepSeek V4.1 Flash משיג 90.9 במדד זה. תוצאה גבוהה כאן מצביעה על כך שהמודל מתמודד בכשירות עם הסקה מדעית רב-שלבית ושאלות מדויקות בתחום. זה לא אומר שהמודל חזק באותה מידה בכל משימה. GPQA Diamond הוא צר: הוא מלמד מעט על אחזור בהקשר ארוך, טון, ביצוע הוראות תחת פרומפטים מבולגנים, או איכות קוד בקנה מידה. התייחסו ל-90.9 כאל נקודת נתונים אחת שמאשרת יכולת הסקה טכנית, ואמתו זאת על עומס העבודה שלכם. בנו סט הערכה קטן שנשאב מהקלטים האמיתיים שלכם, כולל מסמכים ארוכים ופרומפטים של תמונה וטקסט, והשוו פלטים על הסט הזה לפני שאתם מתחייבים למסלול ייצור ב-OrcaRouter.
השהיה ב-DeepSeek V4.1 Flash תלויה בעיקר בכמה אתה מבקש ממנו לייצר. הזמן עד לטוקן הראשון מושפע מגודל הפרומפט ומעומס הספק, בעוד זמן התגובה הכולל גדל עם אורך הפלט. עם תקרה של 384,000 טוקנים, יצירה באורך מקסימלי היא מטבעה בקשה ארוכת טווח. אין נתוני השהיה שפורסמו עבור המודל הזה ב-OrcaRouter, לכן מדוד עם הפרומפטים שלך במקום להניח מספר. צעדים מעשיים: הגבל את max_tokens במסלולים אינטראקטיביים כדי שהתגובות יישארו חסומות, בצע סטרימינג של טוקנים כדי שמשתמשים יראו התקדמות, ושמור יצירות ארוכות במיוחד למשימות רקע. תחת מקביליות גבוהה, צפה שמגבלות התפוקה של הספק יעצבו את הקצב האפקטיבי שלך, ותור או נסה שוב בהתאם. השווה למודל הנוכחי שלך באמצעות אותם פרומפטים, ועקוב אחר הזמן עד לטוקן הראשון בנפרד מהמשך הכולל.
בנצ'מרקים שימושיים לצמצום תחום, לא לדירוג מודלים בפרודקשן. כל מבחן מודד מיומנות ספציפית ומוגבלת תחת פורמט פרומפט קבוע. GPQA Diamond מתגמל חשיבה מדעית ברמת תואר שני, בעוד שבנצ'מרק קידוד מתגמל התנהגות שונה לחלוטין. ציון גבוה בתחום אחד לא עובר אוטומטית, ופערים קטנים בין מודלים נמצאים לעיתים קרובות בתוך שונות בין ריצות. שתי שיטות עוזרות. ראשית, בדקו שהמשימה של הבנצ'מרק דומה לשלכם. ציון 90.9 ב-GPQA Diamond הוא משמעותי למחקר ולמענה על שאלות טכניות, ופחות לטון של צ'אט או לחילוץ. שנית, בדקו עם הנתונים שלכם: הרכיבו דגימה מייצגת, הגדירו כלל ניקוד, ומדדו. ב-OrcaRouter תוכלו לנתב את אותה בקשה למזהי מודלים שונים דרך API אחד תואם OpenAI ולהשוות פלטים ישירות, וזה אינפורמטיבי יותר ממיקום בטבלת דירוג בלבד.
יש שלוש מגבלות שכדאי לתכנן לקראתן. ראשית, הפלט הוא טקסט בלבד: המודל מקבל קלט תמונות, אך הוא לא יפיק תמונות. שנית, פלטים ארוכים עולים יותר, ובתעריף של $0.60 לכל 1M טוקנים בפלט — פי ארבעה מתעריף הקלט — הפקות מפורטות הן סיכון העלות העיקרי. שלישית, חלון הקשר גדול לא מבטיח שכל פרט ייעשה בו שימוש. קשב על פני מיליון טוקנים הוא יכולת שכדאי לאמת על המסמכים שלך ולא להניח. קיימות גם מגבלות תפעוליות. פרומפטים גדולים מאוד לוקחים יותר זמן לעיבוד וצורכים תקציב קצב מהר יותר. המודל מוגש על ידי DeepSeek דרך OrcaRouter, כך שהזמינות תלויה בתשתית של הספק ובכל מגבלה שהוא מחיל. הדיוק הרב-מודלי בתרשימים צפופים, בכתב יד או בסריקות ברזולוציה נמוכה משתנה; יש לאמת על דגימות מייצגות לפני הפניית עבודות חילוץ קריטיות אליו.
DeepSeek V4.1 Flash מחויב לפי $0.15 לכל 1M טוקני קלט ו-$0.60 לכל 1M טוקני פלט. OrcaRouter מעביר אותם הלאה בתעריף הספק ללא תוספת רווח, כך שהנתון שאתה רואה הוא המחיר של הספק ולא מחיר מכירה מחדש. קלט כולל כל מה שאתה שולח: טוקני טקסט, טוקני תמונה, וההיסטוריה המצטברת של שיחה. פלט מכסה כל מה שהמודל מייצר, כולל ארגומנטים של קריאות לכלים וכל טקסט הנמקה שהוא פולט. החיוב מבוסס טוקנים, כך שבקשה זולה יותר פשוט משתמשת בפחות טוקנים. לא מתואר חיוב נפרד עבור חלון ההקשר עצמו: חלון של 1,048,576 טוקנים הוא מגבלה, לא תשלום. פרומפט גדול עולה יותר באופן טבעי מכיוון שהוא מכיל יותר טוקני קלט. עקוב אחר השימוש לפי מסלול כדי שתוכל לייחס הוצאות לתכונות שבאמת מייצרות אותן.
שני מכפילים קובעים את ההוצאה שלך: כמה טוקנים נכנסים וכמה יוצאים. הפלט הוא הצד היקר יותר ב-$0.60 ל-1M טוקנים לעומת $0.15 ל-1M טוקני קלט, פער של פי ארבעה. בקשה שקוראת 200,000 טוקנים וכותבת 500 טוקנים נשלטת על ידי הקלט. בקשה שקוראת 2,000 טוקנים וכותבת 20,000 נשלטת על ידי הפלט. הידיעה איזה דפוס יש למוצר שלך אומרת לך היכן לבצע אופטימיזציה. להלן שלושה מנופים. צמצם את ההקשר: כלול רק את המסמכים וההיסטוריה שהמשימה צריכה, למרות ש-1,048,576 טוקנים זמינים. הגבל את הפלט: הגדר את max_tokens לפי הדרישה האמיתית ולא לפי התקרה. ואצווה: קריאות מעטות וגדולות יותר מונעות שליחה חוזרת ונשנית של אותו הקשר, שלעיתים קרובות הוא המקור השקט ביותר לבזבוז ביישומים עם הקשר ארוך.
DeepSeek V4.1 Flash מחויב על ידי OrcaRouter בתעריף הספק ללא תוספת, כך שכל הנחה מצד הספק או תעריף קלט שמור במטמון מועברים הלאה במקום להיספג או להתומחר בתוספת. האם קלט שמור במטמון מוזל זמין עבור מודל זה, ובאילו תנאים, נקבע על ידי DeepSeek, לכן יש לאמת זאת בתיעוד העדכני של הספק לפני שמכניסים חיסכון לתקציב. מה שאתה שולט בו ישירות הוא עיצוב הפרומפט. שמור על קידומת יציבה, כגון הוראות מערכת, סכמה והקשר מאוחזר, והוסף תוכן משתנה בסוף כדי שכל שימוש חוזר בקידומת שהספק תומך בו יוכל לחול. עשה שימוש חוזר בהקשר זהה בין קריאות באצווה במקום לשלוח אותו מחדש עבור כל פריט. קצר את ההיסטוריה באופן אגרסיבי, וסכם תורות קודמים ברגע שאין בהם עוד צורך. הרגלים אלה מפחיתים טוקנים של קלט, וזה המקום שבו עומסי עבודה עם הקשר ארוך בדרך כלל מוציאים.
כוון לקוח תואם OpenAI אל https://api.orcarouter.ai/v1 והגדר את המודל ל-deepseek/deepseek-v4.1-flash. מכיוון ש-OrcaRouter חושף את ממשק השלמות הצ'אט של OpenAI, ערכות SDK קיימות עבור Python, JavaScript ושפות אחרות עובדות עם שינוי של כתובת בסיס ומזהה מודל בתוספת מפתח ה-API של OrcaRouter שלך. בקשה מינימלית שולחת מערך messages עם תורות ה-system וה-user שלך, בתוספת פרמטרים אופציונליים כגון max_tokens, temperature ו-stream. קלט תמונה עוקב אחר פורמט התוכן המולטימודלי הסטנדרטי, כאשר חלקי תמונה לצד חלקי טקסט באותה הודעת user. התגובות חוזרות בצורה הרגילה, כך שקוד פענוח, סטרימינג וטיפול ב-tool-call עובר ללא שינוי. בדוק את עמוד המודל של OrcaRouter לקבלת הערות פרמטרים לכל מודל, ורשום תגובות גולמיות במשך הקריאות הראשונות בזמן שאתה מכוונן את גודל ה-prompt ומגבלות הפלט.
ארבעה פרמטרים מעצבים את רוב בקשות DeepSeek V4.1 Flash. max_tokens קובע את תקרת הפלט והוא אמצעי בקרת העלות העיקרי בהינתן מקסימום של 384,000 טוקנים; הגדירו אותו לפי מה שהמשימה דורשת, לא למקסימום. temperature שולט בשונות, לכן החזיקו אותו נמוך לחילוץ, פלט מובנה וקוד, וגבוה יותר לניסוח טיוטות. stream מאפשר לכם להציג התקדמות ביצירות ארוכות, מה שחשוב כאשר תגובה עשויה להשתרע על עשרות אלפי טוקנים. הוראות מערכת צריכות לשאת דרישות פורמט ובטיחות. עבור תמונות, מערך התוכן המולטימודלי הסטנדרטי הוא המנגנון שבו יש להשתמש. עבור הנחיות ארוכות, שקלו אם כל מסמך שנכלל הכרחי, מכיוון שטוקני קלט מחויבים בתעריף של $0.15 לכל 1M. אם המודל תומך בקריאה לכלים דרך סכימה תואמת OpenAI, הגדירו כלים צרים ומתועדים היטב ולא רחבים. הגדירו פסק זמן בצד הלקוח שתואם ליצירה הארוכה ביותר שאתם מצפים לה.
המיגרציה קטנה במכוון. שנה את כתובת ה-URL הבסיסית ל-https://api.orcarouter.ai/v1, החלף את מחרוזת המודל ב-deepseek/deepseek-v4.1-flash, וספק מפתח API של OrcaRouter. סכמות הבקשה והתגובה נשארות תואמות OpenAI, כך שמערכי הודעות, אירועי זרימה ומטעני קריאות לכלים אינם זקוקים לשכתוב מבני. העבודה היא בהתנהגות, לא בתשתית. מודל עם חלון של 1,048,576 טוקנים ותקרת פלט של 384,000 טוקנים מזמין פרומפטים שהמודל הקודם שלך לא יכול היה לקבל. נצל את ההזדמנות כדי להעלות את איכות ההקשר במקום לנפח את גודל הפרומפט באופן עיוור, מכיוון שטוקני קלט עולים $0.15 למיליון. כוונן מחדש max_tokens, temperature ולוגיקת ניסיונות חוזרים, ואז הרץ מחדש את מערך ההערכה שלך. סקור גם הנחות של טוקנייזר ופיצול פרומפטים: לוגיקת חלוקה למקטעים שנבנתה עבור חלון קטן עשויה כעת להיות מיותרת, והשארתה במקום עלולה לפצל את ההקשר.
תמונות מסופקות כחלקי תוכן בהודעת המשתמש, בהתאם לפורמט המולטימודלי של OpenAI: תוכן ההודעה הופך למערך המכיל חלקי טקסט וחלקי תמונה, כאשר כל תמונה מקבלת כתובת URL או נתוני base64. קריאה טיפוסית משלבת גוף טקסט ארוך, כגון מפרט, תמלול או שיחה קודמת, עם צילום מסך אחד או יותר או עמודים סרוקים, ושואלת שאלה שתלויה בשניהם. שנו את הגודל לפני העלאה. תמונות גדולות מאוד מוסיפות טוקנים לקלט, והקלט מחויב ב-$0.15 לכל 1M טוקנים, לכן שליחת צילומים ברזולוציה מלאה של דיאגרמות פשוטות מבזבזת תקציב בלי לשפר את הדיוק. חתכו לאזור הרלוונטי והשתמשו ברזולוציה קריאה עבור חומר עתיר טקסט. אם משימה דורשת תמונות רבות, קבצו אותן באופן הגיוני בבקשה אחת במקום לשלוח קריאה נפרדת לכל תמונה, מה ששולח מחדש את הקשר הטקסט שלכם בכל פעם.
מודלים בדרגת Frontier לרוב מובילים בבנצ'מרקים הקשים ביותר של חשיבה וקידוד, אך הם בדרך כלל גובים משמעותית יותר לכל טוקן ועשויים להגביל את הפלט הרבה מתחת למה ש-DeepSeek V4.1 Flash מאפשר. הציון 90.9 של מודל זה ב-GPQA Diamond מציב אותו בתחום אמין לחשיבה מדעית ברמת תואר שני, בעוד תמחור של $0.15 לכל 1M טוקני קלט ו-$0.60 לכל 1M טוקני פלט שומר על עבודה עם הקשר ארוך במחיר סביר. הבחירה בדרך כלל מסתכמת בשלוש שאלות. עד כמה קשה משימת החשיבה, והאם פער הדיוק משנה עבורה? כמה ארוך הקלט, וכמה חוסך חלון של 1,048,576 טוקנים במורכבות ה-pipeline? כמה ארוך הפלט, בהתחשב בתקרה של 384,000 טוקנים? עבור ניתוח עתיר מסמכים, יצירה ארוכה במעבר יחיד וסקירה מולטימודאלית בהיקף גדול, V4.1 Flash הוא לרוב הבחירה המעשית. עבור שלבי החשיבה הקשים ביותר, שקלו לנתב את הקריאות האלה למודל יקר יותר ב-OrcaRouter.
OrcaRouter חושף מודלים רבים מאחורי API אחד תואם OpenAI, כך שההשוואה היא עניין של החלפת מזהה המודל ולא של שילוב ספק שני. בתוך משפחת DeepSeek, הצירים המשמעותיים הם מחיר, חלון הקשר ותקרת פלט. V4.1 Flash משלב חלון של 1,048,576 טוקנים עם מגבלת פלט של 384,000 טוקנים במחיר של $0.15 לכל 1M טוקני קלט ו-$0.60 לכל 1M טוקני פלט. מודלים קטנים או זולים יותר הגיוניים כאשר ההנחיות והתשובות קצרות והחלון הנוסף לא מוסיף ערך. חלופות בעלות יכולת ראייה חשובות כאשר אתה צריך פלט תמונה ולא קלט תמונה. מודלים מיוחדים לקוד או לחשיבה עשויים לנצח במשימות צרות. מכיוון ש-OrcaRouter מתמחר לפי תעריף הספק ללא תוספת, ההשוואה היא הוגנת על טוקנים: הרץ הנחיות זהות דרך שני המזהים, מדוד עלות ואיכות, ונתב לפי משימה.
בחר משהו אחר כאשר צורת המשימה אינה תואמת את החוזקות של המודל. משימות סיווג, ניתוב או חילוץ קצרות ותכופות אינן מרוויחות דבר מחלון של 1,048,576 אסימונים, והן זולות יותר במודל קטן יותר. משימות שדורשות תמונות מיוצרות זקוקות לסוג שונה לחלוטין של מודל. אם שלב חשיבה קשה אחד שולט באיכות, כגון מתמטיקה בסגנון משפטים או עיצוב אלגוריתמים עדין, ייתכן שמודל חזיתי שישמש רק עבור אותו שלב יהיה שווה את התעריף הגבוה יותר. כמו כן, סביר לשלב מודלים. השתמש ב-DeepSeek V4.1 Flash כדי לקרוא קלטים ארוכים, לאסוף ראיות ולנסח פלט מורחב בתעריף של $0.15 לכל 1M אסימוני קלט ו-$0.60 לכל 1M אסימוני פלט, ואז להסלים החלטות מסוימות למודל יקר יותר לצורך אימות. ה-API התואם ל-OpenAI של OrcaRouter הופך את הניתוב הזה לשינוי בתצורה במקום אינטגרציה חדשה.
תואם OpenAI — המשיכו להשתמש ב-SDK שכבר יש לכם
https://api.orcarouter.ai/v1https://api.orcarouter.aiimport os
from openai import OpenAI
client = OpenAI(
base_url="https://api.orcarouter.ai/v1",
api_key=os.environ["ORCAROUTER_API_KEY"],
)
response = client.chat.completions.create(
model="deepseek/deepseek-v4.1-flash",
messages=[{"role": "user", "content": "Hello"}],
)
print(response.choices[0].message.content)include_reasoninglogprobsmax_tokensreasoningreasoning_effortresponse_formatstopstreamstream_optionstemperaturethinkingtool_choicetoolstop_logprobstop_puser_id| קלט / 1M טוקנים · מחוץ לשיא | $0.150 |
|---|---|
| פלט / 1M tokens · מחוץ לשיא | $0.600 |
| קריאת מטמון / 1M · מחוץ לשיא | $0.0030 |
| שעות שיא | 01:00–04:00, 06:00–10:00 ×2 (UTC) |
| קלט / 1M טוקנים · ×2 | $0.300 |
| פלט / 1M tokens · ×2 | $1.20 |
| קריאת מטמון / 1M · ×2 | $0.0060 |
| מטבע | USD |
הערכה מבוססת מחיר מחירון
הערכה בלבד — ספירת הטוקנים בפועל תלויה בטוקנייזר של הספק.
על מה מפתחים מדברים השבוע
GET /api/public/models/deepseek/deepseek-v4.1-flashפתיחה @misc{orcarouter_deepseek_v4_1_flash,
title = {DeepSeek V4.1 Flash API},
author = {DeepSeek},
year = {2026},
howpublished = {OrcaRouter},
url = {https://www.orcarouter.ai/models/deepseek/deepseek-v4.1-flash}
}DeepSeek. (2026). DeepSeek V4.1 Flash API. OrcaRouter. https://www.orcarouter.ai/models/deepseek/deepseek-v4.1-flash